iOS 11 mlmodel的图像分类 - 使用coremltools和训练有素的.caffemodel转换问题

似乎我使用 coremltool 和经过训练的.caffemodel有一些转换问题 . 我能够训练和测试 caffe 狗模型（120个类别，20k图像），它通过我的测试直接 caffe 分类 . 不幸的是，在转换为 mlmodel 之后，它没有给出我对同一输入的有效预测 .

Traning model

该模型已经使用Caffe，GoogleNet进行了培训，包含120个类别的20k图像集合到lmdb和大约500k迭代中 . 我已经准备好了图像数据库，所有其余的都放了all files together here

Classification with caffe

classification example由 caffe . 当我试图对受过训练的 caffemodel 运行分类请求时 - 它的效果很好，很有可能（80-99％），正确的结果：

Classification with Apple iOS 11 CoreML

不幸的是，当我试图将这个 DTDogs.caffemodel ＆ deploy.txt 打包成Apple iOS 11 CoreML 的.mlmodel耗材时，我有不同的预测结果 . 实际上，没有错误加载和使用模型，但我'm unable to get valid classifications, all the predictions are 0-15% confidence and have wrong labels. In order to test it properly I'm使用与 caffe 直接分类完全相同的图像：

我也从这里尝试了我的iOS应用程序the pre-trained and pre-packed models - 它们工作得很好所以它似乎是包装程序的问题 .

What did I miss?

以下是 caffe 的分类示例：没有问题，正确答案（ python ）：

import numpy as np
import sys
import caffe
import os
import urllib2
import matplotlib.pyplot as plt
%matplotlib inline

test_folder = '/home/<username>/Desktop/CaffeTest/'
test_image_path = "http://cdn.akc.org/content/hero/irish-terrier-Hero.jpg"

# init caffe net
model_def = test_folder + 'deploy.prototxt'
model_weights = test_folder + 'DTDogs.caffemodel'
# caffe.set_mode_gpu()
net = caffe.Net(model_def, model_weights, caffe.TEST) 

# prepare transformer
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
transformer.set_transpose('data', (2,0,1))  
transformer.set_raw_scale('data', 255)
transformer.set_channel_swap('data', (2,1,0))
net.blobs['data'].reshape(1, 3, 256, 256)  

test_image = urllib2.urlopen(test_image_path) 
with open(test_folder + 'testImage.jpg','wb') as output:
  output.write(test_image.read())

image = caffe.io.load_image(test_folder + 'testImage.jpg')
transformed_image = transformer.preprocess('data', image)
net.blobs['data'].data[...] = transformed_image

# classify
output = net.forward()
output_prob = output['prob'][0]
output_prob_val = output_prob.max() * 100
output_prob_ind = output_prob.argmax()
labels_file = test_folder + 'labels.txt'
labels = np.loadtxt(labels_file, str, delimiter='\t')

plt.imshow(image)
print 'predicted class is:', output_prob_ind
print 'predicted probabily is:', output_prob_val
print 'output label:', labels[output_prob_ind]

以下是使用 coremltools 打包 DTDogs.mlmodel 模型的示例 . 我看到结果 .mlmodel 文件比原始 .caffemodel 小两倍，但它可能是 coremltools （ python ）的某种归档或压缩优化：

import coremltools;
caffe_model = ('DTDogs.caffemodel', 'deploy.prototxt')
labels = 'labels.txt'
coreml_model = coremltools.converters.caffe.convert(caffe_model, class_labels = labels, image_input_names= "data")
coreml_model.short_description = "Dogs Model v1.14"
coreml_model.save('DTDogs.mlmodel')

以下是在应用程序中使用 DTDogs.mlmodel 的示例 . 我正在使用常规图像选择器来选择我用于 .caffe 分类测试（ swift ）的相同图像：

func imagePickerController(_ picker: UIImagePickerController, didFinishPickingMediaWithInfo info: [String : Any]) {
    picker.dismiss(animated: true)
    print("Analyzing Image…")

    guard let uiImage = info[UIImagePickerControllerOriginalImage] as? UIImage
        else { print("no image from image picker"); return }
    guard let ciImage = CIImage(image: uiImage)
        else { print("can't create CIImage from UIImage"); return }

    imageView.image = uiImage

    do {
        let model = try VNCoreMLModel(for: DTDogs().model)
        let classificationRequest = VNCoreMLRequest(model: model, completionHandler: self.handleClassification)
        let orientation = CGImagePropertyOrientation(uiImage.imageOrientation)
        let handler = VNImageRequestHandler(ciImage: ciImage, orientation: Int32(orientation.rawValue))
        try handler.perform([classificationRequest])
    } catch {
        print(error)
    }
}